提出基于DenseNet的全卷积语义分割模型，参数少、性能优，达成CamVid和Gatech数据集的最佳结果。
Simon Jégou, Michal Drozdzal, David Vazquez 等
几何深度学习将卷积神经网络扩展到非欧几里得域，如图和流形。
Michael M. Bronstein, Joan Bruna, Yann LeCun 等
提出MV3D网络，通过融合LIDAR点云和RGB图像，实现KITTI数据集3D检测精度提升30%。
Xiaozhi Chen, Huimin Ma, Ji Wan 等
iCaRL结合邻近均值分类与样本回放，实现连续增量学习，显著缓解灾难性遗忘。
Sylvestre-Alvise Rebuffi, Alexander Kolesnikov, Georg Sperl 等
提出深度特征流框架，仅在稀疏关键帧进行卷积计算，显著提升视频识别速度。
Xizhou Zhu, Yuwen Xiong, Jifeng Dai 等
提出条件对抗网络（cGAN）用于图像转换，结合U-Net和PatchGAN，显著提升生成质量。
Phillip Isola, Jun-Yan Zhu, Tinghui Zhou 等
基于深度学习的海事视频目标检测与追踪，采用背景减除和多传感融合，提升精度达85%。
D. K. Prasad, D. Rajan, L. Rachmawati 等
DSAC通过可微化RANSAC提升相机定位精度7.3%。
Eric Brachmann, Alexander Krull, Sebastian Nowozin 等
提出ResNeXt架构，通过增加“基数”提升图像分类性能，超越ResNet。
Saining Xie, Ross Girshick, Piotr Dollár 等
利用深度神经网络分析漫画中的“缝隙”推理，构建了120万面板的COMICS数据集，提出三项闭合推理任务。
Mohit Iyyer, Varun Manjunatha, Anupam Guha 等
提出端到端深度学习架构，基于R-MAC，结合三流孪生网络，显著提升图像检索性能。
Albert Gordo, Jon Almazan, Jerome Revaud 等
3D-GAN生成高质量3D对象，提升识别性能。
Jiajun Wu, Chengkai Zhang, Tianfan Xue 等
提出Xception架构，基于深度可分离卷积，性能优于Inception V3，参数效率高。
François Chollet
提出SRGAN，用生成对抗网络实现4倍超分辨率，显著提升感知质量。
Christian Ledig, Lucas Theis, Ferenc Huszar 等
提出一种基于左-右一致性的新型无监督单目深度估计方法，在KITTI数据集上超越监督方法。
Clément Godard, Oisin Mac Aodha, Gabriel J. Brostow
利用GAN学习自然图像流形，通过约束优化实现高逼真度的图像编辑与变换。
Jun-Yan Zhu, Philipp Krähenbühl, Eli Shechtman 等
利用EEG和RNN学习视觉类别的脑活动流形，再用CNN投影图像，实现脑驱动的自动分类。
Concetto Spampinato, Simone Palazzo, Isaak Kavasidis 等
提出基于滤波器剪枝的加速方法，通过剪除影响较小的滤波器，VGG-16可节省34%，ResNet-110达38%，同时保持接近原始精度。
Hao Li, Asim Kadav, Igor Durdanovic 等
提出DenseNet，通过层间全连接实现参数减少和信息流增强，在CIFAR-10/100、SVHN、ImageNet上显著优于ResNet。
Gao Huang, Zhuang Liu, Laurens van der Maaten 等
提出扩展连接时序分类（ECTC）框架，用于弱监督视频动作标注，利用帧间视觉相似性提升性能。
De-An Huang, Li Fei-Fei, Juan Carlos Niebles